Статті за тегом: #дизайн-оцінювання

8.0
assessment_design

A Judge Should Know What Changed:Construct Validity for LLM-as-a-Judge Evaluation

Jianlin Chen, Wenhui Chen, Ziyao Lin, Chi Man Vong · arXiv (2026) · doi:10.48550/arxiv.2608.24419 · gemini-3.1-flash-lite

Повний розбір статті →

7.7
assessment_design

GAUGE: When Not to Trust LLM-as-a-Judge in User-Simulated Evaluation of Task-Oriented Agents

Umesh Bodhwani, Thanh Tran, Kai Wei · arXiv (2026) · doi:10.48550/arxiv.2609.12191 · gemini-3.1-flash-lite

Повний розбір статті →

7.5
quasi_experiment

Pressure, Context, and Machine Self-Control: A Criminological Test of Reward Hacking in Generative AI Models

Murat Ozer, Isaac Kofi Nti · arXiv (2026) · doi:10.48550/arxiv.2610.04793 · gemini-3.1-flash-lite

Повний розбір статті →

7.5
assessment_design

Fighting Fire with Fire: On the Feasibility of Protecting Exercises Against AI Cheating

Tobias Braun, Jonas Grebe, Louis Rethfeld, Marcus Rohrbach · arXiv (2026) · doi:10.48550/arxiv.2608.01112 · gemini-3.1-flash-lite

Повний розбір статті →

7.5
psychometric_modeling

Check The Scoreboard: An Analysis of Scoring Schemes on Multiple-Choice Evaluation

Nishant Balepur, Paiheng Xu, Wei Ai, Eunsol Choi, Rachel Rudinger, Jordan Boyd-Graber · arXiv (2026) · doi:10.48550/arxiv.2608.29887 · gemini-3.1-flash-lite

Повний розбір статті →

7.3
psychometric_modeling

What Makes Something Hard(er)? Explaining Question Difficulty in Natural Language

Peng Cui, Qiaoyuan Zheng, Rudolf Debelak, Mrinmaya Sachan · arXiv (2026) · doi:10.48550/arxiv.2610.01627 · gemini-3.1-flash-lite

Повний розбір статті →